Den exponentiella tillväxten i datorbearbetningskraft som setts under de senaste 60 åren kan snart stanna. Komplexa system som de som används i väderprognoser, till exempel, kräver hög datorkapacitet, men kostnaderna för att driva superdatorer för att bearbeta stora datamängder kan bli en begränsande faktor.

Forskare vid Johannes Gutenberg University Mainz (JGU) och Università della Svizzera italiana (USI) i Lugano i Schweiz har nyligen utvecklat en algoritm som kan lösa komplexa problem med anmärkningsvärda möjligheter - även på en persondator.

Exponentiell tillväxt inom IT kommer att nå sin gräns

Förr, vi har sett en konstant accelerationshastighet i informationsbearbetningskraften som förutsagt av Moores lag, men det ser nu ut som om denna exponentiella tillväxttakt är begränsad. Ny utveckling bygger på artificiell intelligens och maskininlärning, men de relaterade processerna är i stort sett inte välkända och förstådda. "Många metoder för maskininlärning, som den mycket populära djupinlärningen, är mycket framgångsrika, men fungerar som en svart låda, vilket innebär att vi inte vet exakt vad som händer. Vi ville förstå hur artificiell intelligens fungerar och få en bättre förståelse för de involverade kopplingarna, sa professor Susanne Gerber, specialist på bioinformatik vid Mainz University.

Tillsammans med professor Illia Horenko, datorexpert vid Università della Svizzera italiana och Mercator -stipendiat vid Freie Universität Berlin, hon har utvecklat en teknik för att utföra otroligt komplexa beräkningar till låg kostnad och med hög tillförlitlighet. Gerber och Horenko, tillsammans med sina medförfattare, har sammanfattat sitt koncept i en artikel med titeln "Låg kostnad skalbar diskretisering, förutsägelse, och funktionsval för komplexa system "som nyligen publicerades i Vetenskapliga framsteg . "Denna metod gör att vi kan utföra uppgifter på en standard -dator som tidigare skulle ha krävt en superdator, "betonade Horenko. Förutom väderprognoser, forskningen ser många möjliga tillämpningar, till exempel för att lösa klassificeringsproblem inom bioinformatik, bildanalys, och medicinsk diagnostik.

Bryta ner komplexa system i enskilda komponenter

Det dokument som presenteras är resultatet av många års arbete med utvecklingen av detta nya tillvägagångssätt. Enligt Gerber och Horenko, processen bygger på Lego -principen, enligt vilka komplexa system bryts ner till diskreta tillstånd eller mönster. Med bara några få mönster eller komponenter, d.v.s. tre eller fyra dussin, stora datamängder kan analyseras och deras framtida beteende kan förutses. "Till exempel, med hjälp av SPA-algoritmen kan vi göra en databaserad prognos för yttemperaturer i Europa för dagen framåt och ha ett förutsägelsefel på endast 0,75 grader Celsius, "sa Gerber. Allt fungerar på en vanlig dator och har en felprocent som är 40 procent bättre än de datorsystem som vanligtvis används av vädertjänster, samtidigt som det är mycket billigare.

SPA eller Scalable Probabilistic Approximation är ett matematiskt baserat koncept. Metoden kan vara användbar i olika situationer som kräver att stora datamängder bearbetas automatiskt, som i biologi, till exempel, när ett stort antal celler behöver klassificeras och grupperas. "Det som är särskilt användbart med resultatet är att vi sedan kan få en förståelse för vilka egenskaper som användes för att sortera cellerna, "tillade Gerber. Ett annat potentiellt användningsområde är neurovetenskap. Automatiserad analys av EEG -signaler kan ligga till grund för bedömningar av cerebral status. Det kan till och med användas vid diagnos av bröstcancer, eftersom mammografibilder kunde analyseras för att förutsäga resultaten av en eventuell biopsi.

"SPA -algoritmen kan tillämpas i ett antal fält, från Lorenz -modellen till aminosyrornas molekylära dynamik i vatten, "avslutade Horenko." Processen är enklare och billigare och resultaten är också bättre jämfört med de som produceras av de nuvarande toppmoderna superdatorer. "